Denominación de la asignatura

Técnicas de Inteligencia Artificial
Postgrado al que pertenece
Máster universitario en Análisis y Visualización de Datos Masivos / Visual Analytics & Big Data
Créditos ECTS
6
Curso y cuatrimestre en el que se imparte
Primer cuatrimestre
Carácter de la asignatura Obligatoria

Presentación

El cerebro humano es capaz de reconocer patrones, sacar conclusiones de experiencias pasadas y aplicar dichas conclusiones a escenarios futuros. Las técnicas de Inteligencia Artificial (IA) pretenden dotar a los ordenadores de estas capacidades típicamente humanas. En esta asignatura se explican conceptos y métodos de aprendizaje automático y se hace énfasis en aquellas técnicas más apropiadas para su aplicación en la minería de datos, enfocada a resolver problemas analizando grandes cantidades de datos disponibles en una base de datos.

El análisis masivo de datos aplicando técnicas de inteligencia artificial permite extraer conclusiones de un conjunto de datos que no podrían ser extraídas con técnicas estadísticas clásicas. En concreto, en esta asignatura se explican algoritmos y técnicas de inteligencia artificial, como pueden ser aquellos que permiten obtener reglas de clasificación o asociación, o representaciones del conocimiento mediante árboles de decisión, así como técnicas de clustering para la clasificación no-supervisada, redes neuronales o la computación evolutiva. Mediante la aplicación de herramientas de minería de datos el alumno podrá ejecutar diferentes algoritmos para la resolución de problemas de aprendizaje e interpretar el resultado de dichos algoritmos y su evaluación. Así mismo, el alumno será capaz de diseñar un sistema experto que sea capaz de inferir nuevos conocimientos.

Competencias

Competencias básicas

  • CB6. Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
  • CB7. Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
  • CB8. Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
  • CB9. Que los estudiantes sepan comunicar sus conclusiones, y los conocimientos y razones últimas que las sustentan, a públicos especializados y no especializados de un modo claro y sin ambigüedades.
  • CB10. Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Competencias generales

  • CG1. Diseñar y elaborar planes de intervención profesional relacionados con el entorno de análisis de datos y visualización de la información, e implementarlos y desarrollarlos mediante los métodos y procesos adecuados.
  • CG2. Tener la capacidad necesaria para ejercer las funciones profesionales requeridas para el análisis de datos y la visualización de la información en el seno de las entidades de TI.
  • CG3. Evaluar los recursos necesarios, planificar y organizar las actividades, sin olvidar la revisión del propio progreso y desempeño en el análisis de datos y visualización de la información.

Competencias específicas

  • CE6. Explicar las características de una situación física o virtual a partir del conjunto de datos que la define y construir diagramas que representen de forma visual dicha situación.
  • CE7. Evaluar y asesorar sobre las técnicas de inteligencia artificial aplicables para el procesado masivo de datos sobre un conjunto dado de datos y de acuerdo a unos requisitos establecidos.
  • CE8. Diseñar e implementar una estrategia integrada de técnicas estadísticas y de inteligencia artificial para el desarrollo de sistemas descriptivos y predictivos.
  • CE9.Comprender el funcionamiento y características de las técnicas habituales de procesamiento masivo de datos.
  • CE10. Anticipar los riesgos y beneficios derivados de la aplicación de las técnicas de procesamiento masivo de datos en una situación real.
  • CE11. Identificar las herramientas comerciales y de software libre orientadas al análisis estadístico, inteligencia artificial y procesamiento masivo de datos.
  • CE21. Diseñar e implementar un sistema que combine técnicas de captura y almacenamiento, análisis y visualización de datos, de modo que el sistema sea capaz de representar la realidad subyacente.

Competencias transversales

  • CT2. Identificar las nuevas tecnologías como herramientas didácticas para el intercambio comunicacional en el desarrollo de procesos de indagación y de aprendizaje.
  • CT4. Adquirir la capacidad de trabajo independiente, impulsando la organización y favoreciendo el aprendizaje autónomo.

Contenidos

Tema 1. Introducción
Aproximación a los conceptos inteligencia artificial, aprendizaje automático y minería de datos. Interés y aplicaciones
Definición de aprendizaje, tareas básicas y ejemplos
Etapas en el descubrimiento de conocimiento
Referencias

Tema 2. Resolución de problemas mediante búsqueda
Introducción. Ejemplo «El mundo de los bloques»
Dirección de la búsqueda
Búsqueda exhaustiva o a ciegas
Búsqueda heurística
Búsqueda en juegos
Costes

Tema 3. Sistemas expertos
Introducción. Representación del conocimiento mediante reglas
Características y estructura de un sistema experto
Técnicas de inferencia: encadenamiento de reglas hacia adelante y hacia atrás
Resolución de conflictos
CLIPS: Herramienta software para construir sistemas expertos

Tema 4. Gestión de la incertidumbre e imprecisión en sistemas expertos
Introducción
Razonamiento bayesiano
Factores de certeza
Lógica difusa
Conjuntos difusos
Variables lingüísticas
Reglas difusas
Inferencia difusa
FuzzyCLIPS: Programación de incertidumbre e imprecisión en CLIPS
Referencias

Tema 5. Árboles de decisión
Introducción. Representación del conocimiento mediante árboles de decisión
Descripción de la tarea de inducción
Algoritmo básico de aprendizaje de árboles de decisión: ID3
Espacio de búsqueda y bias inductivo
Métodos de selección de atributos
Sobreajuste y poda de árboles
Medidas de precisión de la clasificación
Simplificación de árboles de decisión mediante poda: algoritmo C4.5
WEKA: herramienta software para el análisis de conocimiento
Referencias

Tema 6. Reglas
Introducción. Representación del conocimiento mediante reglas
Algoritmos de aprendizaje de reglas de clasificación
Algoritmos de aprendizaje de reglas de asociación
Referencias

Tema 7. Clustering: Agrupamiento o clasificación no supervisada
Conceptos. Tipos de algoritmos de clustering. Medida de distancia
Agrupamiento exclusivo. El algoritmo K-means
Agrupamiento jerárquico. Algoritmo de agrupamiento jerárquico aglomerativo
Agrupamiento probabilista. El algoritmo EM
Agrupamiento solapado. El algoritmo Fuzzy C-means

Tema 8. Sistemas de recomendación
Introducción. Tipos de recomendadores y aplicaciones
Recomendación colaborativa. Filtrado colaborativo basado en usuarios. Filtrado colaborativo basado en ítems
Recomendación basada en contenido. Representación del contenido y similitud entre elementos
Referencias

Tema 9. Redes neuronales artificiales
Introducción. Fundamento biológico
La neurona artificial. El perceptrón
Redes neuronales multicapa
Redes neuronales recurrentes. Hopfield Network
Referencias

Tema 10. Computación evolutiva: Algoritmos genéticos
Introducción. Simulación de la evolución natural en un ordenador
Etapas de un AG. Población de cromosomas. Función de fitness. Operadores de selección, cruce y mutación
Diseño de un AG para la resolución de problemas de búsqueda de soluciones
Mejora de un AG mediante técnicas de diversidad
Referencias

Metodología

Metodología

Las actividades formativas de la asignatura se han elaborado con el objetivo de adaptar el proceso de aprendizaje a las diferentes capacidades, necesidades e intereses de los alumnos.

Las actividades formativas de esta asignatura son las siguientes:

  • Trabajos, proyectos y casos: en este criterio se valoran las actividades que el estudiante envía a través del aula virtual, tales como trabajos, proyectos o casos prácticos. Cada asignatura contará con un trabajo final en el que el alumno demostrará un conocimiento global de lo aprendido en la asignatura.
  • Test de autoevaluación: al final de cada tema, los estudiantes pueden realizar este tipo de test, que permite al profesor valorar el interés del estudiante en la asignatura.

En la programación semanal puedes consultar cuáles son las actividades concretas que tienes que realizar en esta asignatura.

Descarga el pdf de la programación

Estas actividades formativas prácticas se completan, por supuesto, con estas otras:

  • Estudio personal
  • Tutorías. Las tutorías se pueden articular a través de diversas herramientas y medios. Durante el desarrollo de la asignatura, el profesor programa tutorías en días concretos para la resolución de dudas de índole estrictamente académico a través de las denominadas “sesiones de consultas”. Como complemento de estas sesiones se dispone también del foro “Pregúntale al profesor de la asignatura” a través del cual se articulan algunas preguntas de alumnos y las correspondientes respuestas en el que se tratan aspectos generales de la asignatura. Por la propia naturaleza de los medios de comunicación empleados, no existen horarios a los que deba ajustarse el alumno.
  • Examen final presencial

Las horas de dedicación a cada actividad se detallan en la siguiente tabla:

ACTIVIDADES FORMATIVAS
HORAS
Sesiones Presenciales Virtuales      15,0  
Lecciones magistrales       6,0  
Estudio Personal de material básico      50,0  
Lectura de material complementario      25,0  
Realización de los casos prácticos      15,0  
Autoevaluación exámenes      14,0  
Tutoría individual y grupal      16,0  
Trabajo colaborativo, foro, chat, debates       7,0  
Evaluación Final       2,0    
Total
       150  

 

Puedes personalizar tu plan de trabajo seleccionando aquel tipo de actividad formativa que se ajuste mejor a tu perfil. El profesor-tutor te ayudará y aconsejará en el proceso de elaboración de tu plan de trabajo. Y siempre estará disponible para orientarte durante el curso.

Bibliografía

Bibliografía básica

La bibliografía básica es imprescindible para el estudio de la asignatura. Cuando se indica que no está disponible en el aula virtual, tendrás que obtenerla por otros medios: librería UNIR, biblioteca… 

Los textos necesarios para el estudio de la asignatura han sido elaborados por la UNIR y están disponibles en formato digital para consulta, descarga e impresión en el aula virtual.

Bibliografía complementaria

Bhasker, B. & Srikumar, K. (2010). Recommender Systems in e-Commerce. Methodologies and Applications of Data Mining. New Delhi: McGraw Hill.

Durkin, J. (1994). Expert Systems: Design and Development. Macmillan Coll Div.

Fikes, R.E. & Nilsson, N.J. (1971). Strips: A new approach to the application of theorem proving to problem solving. Artificial Intelligence, 2(3–4), 189-208.

Gen, M. (1997). Genetic algorithms and engineering design. New York: Wiley.

Gurney, K. (1997) An Introduction to Neural Networks. London: UCL Press.

Han, J., Kamber, M., & Pei, J. (2012). Data mining: concepts and technique. San Francisco: Morgan Kaufmann.

Haykin, S. (1998). Neural Networks: A Comprehensive Foundation. Prentice Hall.

Holland, J.H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press.

Jackson, P. (1998). Introduction to Expert Systems. Addison-Wesley.

Jannach, D., Zanker, M., Felferning, A. & Friedrich, G. (2011). Recomender Systems: An Introduction. Cambridge University Press.

Michalewicz, Z. (1996). Genetic algorithms + data structures = evolution programs. Berlin-New York: Springer-Verlag.

Mitchell, T. M. (1997). Machine Learning. Mc.Graw-Hill.

Negnevitsky, M. (2005). Artificial Intelligence. A Guide to Intelligent Systems. UK: Addison-Wesley.

Poole, D. L. & Mackworth, A. K. (2010). Artificial intelligence: foundations of computational agents. New York: Cambridge University Press.

Quinlan, J.R. (1993). C4.5: programs for Machine Learning. San Francisco: Morgan Kauffmann

Ricci, F., Rokach, L., Shapira, B. & Kantor, P.B. (Eds). (2011). Recommender Systems Handbook. Springer Science+Business Media.

Roiger, R.J. & Geatz, M.W. (2003) Data Mining, a Tutorial-based Primer. Pearson Education.

Witten, I.H. & Frank, E. (2005). Data Mining. USA: Morgan Kaufmann Publishers.

Xu, R. & Wunsch, D. (2009). Clustering. USA: Wiley.

Evaluación y calificación

El sistema de calificación se basa en la siguiente escala numérica:

0 - 4, 9

Suspenso

(SS)

5,0 - 6,9

Aprobado

(AP)

7,0 - 8,9

Notable

(NT)

9,0 - 10

Sobresaliente

(SB)

La calificación se compone de dos partes principales:

calificación

El examen se realiza al final del cuatrimestre y es de carácter PRESENCIAL y OBLIGATORIO. Supone el 60% de la calificación final (6 puntos sobre 10) y para que la nota obtenida en este examen se sume a la nota final, es obligatorio APROBARLO (es decir, obtener 3 puntos de los 6 totales del examen).

La evaluación continua supone el 40% de la calificación final (es decir, 4 puntos de los 10 máximos). Este 40% de la nota final se compone de las calificaciones obtenidas en las diferentes actividades formativas llevadas a cabo durante el cuatrimestre.

Ten en cuenta que la suma de las puntuaciones de las actividades de la evaluación continua es de 6 puntos. Así, puedes hacer las que prefieras hasta conseguir un máximo de 4 puntos (que es la calificación máxima que se puede obtener en la evaluación continua). En la programación semanal de la asignatura, se detalla la calificación máxima de cada actividad o evento concreto puntuables.

SISTEMA DE EVALUACIÓN

PONDERACIÓN
MIN

PONDERACIÓN
MAX

Participación en foros y otros medios participativos

0%

10%

Realización de trabajos, proyectos y casos

20%

30%

Test autoevaluación

0%

10%

Examen final presencial

60%

60%

 

Ten en cuenta…
Si quieres presentarte solo al examen final, tendrás que obtener una calificación de 5 puntos sobre 6 para aprobar la asignatura.

Profesorado

Claudia Villalonga Palliser

Formación académica: Doctora por la Universidad de Granada en Tecnologías de la Información y la Comunicación. Máster Universitario en Dirección de las Organizaciones en la Economía del Conocimiento. Ingeniera de Telecomunicación.
Experiencia: Investigadora y docente en UNIR. Más de 10 años en I+D+i sobre TIC, en industria (CGI España, SAP-Suiza, NEC-Alemania) y academia (UGR, KHU-Corea, ETH Zurich). Coordinadora de proyectos de I+D europeos (FP7) y nacionales.
Líneas de investigación: Ingeniería del conocimiento. Modelado ontológico del comportamiento humano

Orientaciones para el estudio

Orientación para el estudio

Obviamente, al tratarse de formación online puedes organizar tu tiempo de estudio como desees, siempre y cuando vayas cumpliendo las fechas de entrega de actividades, trabajos y exámenes. Nosotros, para ayudarte, te proponemos los siguientes pasos:

  1. Desde el Campus virtual podrás acceder al aula virtual de cada asignatura en la que estés matriculado y, además, al aula virtual del Curso de introducción al campus virtual. Aquí podrás consultar la documentación disponible sobre cómo se utilizan las herramientas del aula virtual y sobre cómo se organiza una asignatura en la UNIR y también podrás organizar tu plan de trabajo personal con tu profesor-tutor.
  2. Observa la programación semanal. Allí te indicamos qué parte del temario debes trabajar cada semana.
  3. Ya sabes qué trabajo tienes que hacer durante la semana. Accede ahora a la sección Temas del aula virtual. Allí encontrarás el material teórico y práctico del tema correspondiente a esa semana.
  4. Comienza con la lectura de las Ideas clave del tema. Este resumen te ayudará a hacerte una idea del contenido más importante del tema y de cuáles son los aspectos fundamentales en los que te tendrás que fijar al estudiar el material básico. Lee siempre el primer apartado, ¿Cómo estudiar este tema?, porque allí te especificamos qué material tienes que estudiar. Consulta, además, las secciones del tema que contienen material complementario (Lo + recomendado y + Información).
  5. Dedica tiempo al trabajo práctico (sección Actividades y Test). En la programación semanal te detallamos cuáles son las actividades correspondientes a cada semana y qué calificación máxima puedes obtener con cada una de ellas.
  6. Te recomendamos que participes en los eventos del curso (sesiones presenciales virtuales, foros de debate…). Para conocer la fecha concreta de celebración de los eventos debes consultar las herramientas de comunicación del aula vitual. Tu profesor y tu profesor-tutor te informarán de las novedades de la asignatura.
En el aula virtual del Curso de introducción al campus virtual encontrarás siempre disponible la documentación donde te explicamos cómo se estructuran los temas y qué podrás encontrar en cada una de sus secciones: Ideas clave, Lo + recomendado, + Información, Actividades y Test.

Recuerda que en el aula virtual del Curso de introducción al campus virtual puedes consultar el funcionamiento de las distintas herramientas del aula virtual: Correo, Foro, Sesiones presenciales virtuales, Envío de actividades, etc.

Ten en cuenta estos consejos…

  • Sea cual sea tu plan de estudio, accede periódicamente al aula virtual, ya que de esta forma estarás al día de las novedades del curso y en contacto con tu profesor y con tu profesor tutor.
  • Recuerda que no estás solo: consulta todas tus dudas con tu profesor-tutor utilizando el correo electrónico. Si asistes a las sesiones presenciales virtuales también podrás preguntar al profesor sobre el contenido del tema. Además, siempre puedes consultar tus dudas sobre el temario en los foros que encontrarás en cada asignatura (Pregúntale al profesor).
  • ¡Participa! Siempre que te sea posible accede a los foros de debate y asiste a las sesiones presenciales virtuales. El intercambio de opiniones, materiales e ideas nos enriquece a todos.
  • Y ¡recuerda!, estás estudiando con metodología on line: tu esfuerzo y constancia son imprescindibles para conseguir buenos resultados. ¡No dejes todo para el último día!